基于会话的推荐系统作为一种有效的技术手段可以帮助用户发现与其当前会话中兴趣相关的物品。与传统推荐系统相比,会话推荐由于能够仅根据在进行的会话期间观察到的用户行为来进行推荐而具有高度实用性,受到研究者的广泛关注。当前研究主要将基于会话的推荐任务建模为根据现有点击序列数据预测用户的下一次点击问题,主要采用基于深度神经网络和表示学习的方法,利用会话中的物品点击序列提取与用户兴趣相关的特征,生成用户最可能点击物品的推荐列表。本论文对现有主流相关工作进行分析归纳发现,当前主流会话推荐方法存在一些问题:第一,会话中的用户兴趣具有多样且多变的特点,导致当前主流的神经网络模型对用户兴趣及变化建模不足,影响推荐准确性;第二,当前研究工作聚焦于如何有效建模会话中的用户行为特征和设计更准确的用户兴趣捕获方法,忽略了物品表达向量蕴含的信息对模型的影响,缺乏对物品本身信息和物品间复杂关联关系的利用,制约了会话推荐算法性能的进一步提高。针对上述问题,本文以用户匿名的会话推荐任务为研究对象,并分别提出两个会话推荐算法。首先,针对现实生活中人类浏览行为的特点,提出一个短期注意力及记忆优先的会话推荐算法,在推荐时优先考虑会话中用户的当前兴趣,同时设计了一种注意力机制以有效同时捕获会话中与用户长期兴趣和当前兴趣相关的特征,缓解了当前会话推荐算法难以处理的用户兴趣漂移等问题对推荐准确性的影响。同时,总结当前基于深度神经网络的会话推荐算法使用随机初始化的物品表达的缺陷,创新性的根据全部会话数据构造一个物品访问频率和顺序关系图,据此设计了一个基于图的物品表示学习方法,通过简洁高效的语义合成方式学习物品在全局层面的热门程度和物品间丰富的复杂关联信息。最后,将从图中预先学习的物品固定向量表达作为推荐模型的输入,提出一种基于图表示学习的会话推荐算法。该算法引入全局层面的物品本身受关注度和物品间复杂关联信息,同时在建模会话序列时还融合了包含会话整体特点的用户长期行为和包含用户初始兴趣与当前兴趣的短期行为信息,以此提高会话推荐算法整体性能。在三个真实公开数据集上的一系列实验结果表明,所提出的会话推荐算法整体性能均达到当前先进水平,另外,将学到的物品固定表达作为推荐模型的输入,能有效提高会话推荐算法在真实场景下的适应能力,也为会话推荐研究提供给了新的思路和建模方式。